Abonnieren Sie den täglichen Newsletter von Popular Science für Durchbrüche, Entdeckungen und DIY-Tipps, die sechs Tage die Woche geliefert werden. Der Fortschritt bei künstlichen Intelligenz (KI)-Modellen wird oft anhand ihrer Spielkünste veranschaulicht. IBMs Deep Blue schockte 1997 die Welt, als es Großmeister Garry Kasparov im Schach schlug, und fast zwei Jahrzehnte später besiegte Google’s AlphaGo einen menschlichen Champion im Go – eine einst für unmöglich gehaltene Leistung. Seitdem hat sich KI von Brettspielen zu Videospielen weiterentwickelt, wobei Verstärkungslernen eingesetzt wird – eine Technik, die auch entscheidend für das Training von Chatbots wie ChatGPT ist, sodass Maschinen Atari-Spiele und komplexe Strategiespiele wie Dota 2 und Starcraft II beherrschen. Dennoch tut sich KI weiterhin schwer, schnell verschiedenartige, offenere Spiele zu erlernen – ein Bereich, in dem Menschen ihre Stärken haben. Wenn Menschen mit einem unbekannten Spiel konfrontiert werden, erfassen sie rasch die Grundlagen, während KI-Modelle oft scheitern, wie in einem kürzlich veröffentlichten Papier von Julian Togelius, Professor für Informatik an der NYU, und Kollegen hervorgehoben wurde. Diese Lücke unterstreicht einen grundlegenden Unterschied zwischen menschlicher Intelligenz und den aktuellen Fähigkeiten der KI und zeigt, dass KI noch einen langen Weg vor sich hat, um echte menschliche Intelligenz zu erreichen oder zu übertreffen. Spiele waren schon immer ideale Prüfungsfelder für KI aufgrund ihrer vorhersagbaren Regeln, festgelegten Ziele und Mechaniken, die gut zum Verstärkungslernen passen: Modelle spielen wiederholt Spiele in Simulationen, um sich durch Versuch und Irrtum zu verbessern. Dieser Ansatz ermöglichte DeepMind 2015 die Meisterschaft bei Atari-Spielen und prägt heute große Sprachmodelle, die mit enormen Internetdaten trainiert werden. Doch diese Modelle sind nur bei spezifischen Aufgaben mit klaren Grenzen erfolgreich; geringfügige Änderungen im Spieldesign können die Leistung der KI stören. Während KI bei einem bestimmten Spiel übermenschliche Fähigkeiten erlangen kann, hat sie bei Improvisation Schwierigkeiten. Diese Einschränkung wird deutlicher, da moderne Spiele immer offener und abstrakter werden. Anders als Schach haben Spiele wie das offene-world-Spiel „Red Dead Redemption“ komplexe Ziele, die mit der Verkörperung eines moralisch zerrissenen Charakters verbunden sind, anstatt einfache Vorgaben.

Menschen erfassen solche Nuancen intuitiv; Maschinen tun dies nicht. Selbst bei einfacheren Sandkastenspielen wie „Minecraft“ kann KI grundlegende Aktionen wie Springen ausführen, ohne deren Kontext zu verstehen. Die Autoren betonen, dass gut durchdachte Spiele eng mit menschlicher Intuition, gesundem Menschenverstand und Lebenserfahrung verbunden sind – Qualitäten, die Menschen über Jahre durch reale Interaktionen ansammeln. Beispielsweise lernen Babys etwa im Alter von 18 bis 24 Monaten, Objekte durch Erfahrung zu erkennen, während Maschinen deutlich mehr geführte Eingaben benötigen. Dieser erfahrungsbasierte Vorteil ermöglicht es Menschen, neue Spiele schneller zu erlernen. Studien zeigen, dass KI, die durch Neugier getriebenes Verstärkungslernen nutzt, etwa vier Millionen Tastendrücke – oder ungefähr 37 Stunden ununterbrochen – benötigt, um ein Spiel abzuschließen, während durchschnittliche menschliche Spieler neue Mechanismen oft in weniger als 10 Stunden beherrschen. Dennoch macht KI in der allgemeinen Spielstrategie Fortschritte. Im Jahr 2023 stellte Google DeepMind SIMA 2 vor, ein Modell, das vorhandene KI mit Logikfähigkeiten seines Gemini-Sprachmodells verbindet, um besseres Verständnis und Interaktion in 3D-Spielen zu ermöglichen – sogar bei solchen, auf die es nicht speziell trainiert wurde. Togelius und Kollegen warnen jedoch, dass KI noch erheblichen Rückstand hat, bevor sie menschliche Anpassungsfähigkeit erreicht. Sie schlagen eine Benchmark vor, bei der ein Modell in der Lage sein könnte, die Top-100-Spiele auf Steam oder im iOS App Store ohne vorheriges Training auf eines von ihnen zu spielen und zu gewinnen – und das in etwa der Zeit, die ein Mensch dafür benötigen würde. Diese Herausforderung ist nach wie vor enorm, und aktuelle KI-Methoden sind weder nahe daran noch versuchen sie ernsthaft, sie zu lösen. Um dieses Maß an Generalisierung zu erreichen, müsste KI wahre Kreativität, vorausschauendes Planen und abstraktes Denken demonstrieren – Eigenschaften, die einzigartig mit menschlicher Intelligenz verbunden sind. Letztlich liegt die wahre Bewährungsprobe für KI auf dem Weg zu „menschlicher Intelligenz“ nicht darin, Deepfakes zu erstellen oder seichte Romane zu schreiben, sondern darin, eine Vielzahl unterschiedlicher Spiele mit menschlicher Lern-Geschwindigkeit und Verständnis zu meistern.